Hace falta un masterclass de que tratamiento darle a los outliers de manera profesional, ya se hizo el de imputacion de datos faltantes, creo que este tema requiere tambien un curso aparte, ya sea corto o largo.
Fundamentos de clustering
¿Qué es el clustering en machine learning?
Tu primer clustering con scikit-learn
¿Cuándo usar clustering?
¿Cómo evaluar modelos de clustering?
K-means
¿Qué es el algoritmo de K-means y cómo funciona?
¿Cuándo usar K-means?
Implementando K-means
Encontrando K
Evaluando resultados de K-means
Hierarchical clustering
¿Qué es hierarchical clustering y cómo funciona?
¿Cuándo usar hierarchical clustering?
Implementando hierarchical clustering
Evaluando resultados de hierarchical clustering
DBSCAN
¿Qué es DBSCAN y cómo funciona?
¿Cuándo usar DBSCAN?
Implementando DBSCAN
Encontrar híper-parámetros
Evaluando resultados de DBSCAN
Proyecto: resolviendo un problema con clustering
Preparar datos para clusterizar
Aplicando PCA para clustering
Resolviendo con K-means
Resolviendo con hierarchical clustering
Resolviendo con DBSCAN
Resolviendo con DBSCAN (sin PCA)
Evaluación resultados de distintos modelos de clustering
Conclusiones
Proyecto final y cierre
Comparte tu proyecto de segmentación con clustering y certifícate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Iniciar sesiónAportes 2
Preguntas 0
Ordenar por:
¿Cuándo usar clustering?
El clustering es una técnica de aprendizaje no supervisado que se utiliza para encontrar patrones y estructuras en los datos. Se puede utilizar en diversas situaciones y contextos donde se desea identificar grupos o categorías naturales en los datos sin tener una variable objetivo predefinida.
A continuación, se describen algunos casos en los que se puede utilizar clustering:
Mayor contexto de mi datasets: El clustering puede ayudar a descubrir patrones y estructuras en los datos que no son evidentes a simple vista. Esto puede proporcionar una mejor comprensión del conjunto de datos y puede ayudar a identificar relaciones y tendencias entre las variables.
Detección de outliers: El clustering también puede utilizarse para detectar outliers o valores atípicos en los datos que no siguen el patrón de los demás valores. Esto puede ser útil para identificar problemas o errores en los datos o para identificar posibles anomalías o excepciones en los datos.
Clasificar/Agrupar (sin variable objetivo): El clustering se utiliza comúnmente para clasificar y agrupar datos en categorías o grupos basados en características similares. Esto puede ser útil para identificar patrones en los datos y para simplificar la visualización y el análisis de grandes conjuntos de datos.
Tareas manuales de crear etiquetas: En algunos casos, es posible que no haya una variable objetivo clara o definida en los datos. En este caso, el clustering puede ser utilizado para agrupar los datos en categorías o grupos que pueden ser etiquetados manualmente para su posterior análisis.
En cuanto a lo que se puede lograr con el clustering, aquí hay algunos ejemplos:
Clasificar el tráfico en una página: El clustering puede utilizarse para identificar patrones en el tráfico de una página web y clasificar a los visitantes en diferentes categorías, como nuevos visitantes, visitantes frecuentes, visitantes que compran con frecuencia, etc.
Segmentación de perfiles de clientes: El clustering puede ayudar a identificar patrones en los datos de los clientes y segmentarlos en diferentes grupos basados en características similares, como edad, género, ubicación, historial de compras, etc.
Clasificación de contenido: El clustering puede utilizarse para clasificar contenido en diferentes categorías, como noticias, entretenimiento, deportes, etc.
Identificar comportamientos fraudulentos: El clustering puede ser utilizado para identificar patrones en los datos que pueden indicar comportamientos fraudulentos o sospechosos, como transacciones inusuales o actividades sospechosas.
Ciencia en los deportes: El clustering puede ser utilizado en el análisis de datos en la ciencia en los deportes para identificar patrones en los datos relacionados con el rendimiento de los atletas, la eficacia de las tácticas de juego, etc.
Ciencia en los deportes: El clustering también puede ser utilizado en la ciencia en los deportes para segmentar a los fanáticos en diferentes grupos basados en su comportamiento, preferencias, etc.
Muchas posibilidades: El clustering puede ser utilizado en una amplia variedad de situaciones y contextos, desde el análisis de datos empresariales hasta la exploración de datos en la investigación científica y médica.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.